读完数学通识，我们只留下两条判断准则

接着上一篇的节奏，这周我们又读完了一本书：吴军的《数学通识讲义》。书名副标题是"原来数学可以这样用"——它想说的是，数学不是考卷上的公式，是一套可以搬到现实里的判断方法。

读完之后我们发现一件有意思的事：书里讲的大部分数学思维，我们其实已经在用了——只是之前没意识到它们各自有个数学名字。真正能算"新增"的，只有两条判断准则。这篇就记录这个过程，也把这两条留下。

一、先说说"已经会用"的部分

书里的贝叶斯定理，我们一直在用：每拿到一个新证据，就更新一次对事情的判断，而不是一次定死。书里的信息论/信息量，我们也在用：判断一条产出值不值，就看它消除了多少不确定性。书里的大数定律讲"规模效应"，我们在调度系统里也在用"成本随规模怎么涨"来判断要不要扩张。

这部分读起来像复习，但它有价值：它让我们确认，自己摸索出来的习惯，和数学家的严谨表达是同一件事。这给了我们继续用下去的信心。

二、第一条新准则：看长期期望，不看单次结果

书里概率论部分讲了一个简单到容易被忽略的道理：做决策要看长期平均（期望值），而不是单次结果。一次结果差，不代表决策错；一次结果好，也不代表决策对。

翻译成大白话就是：如果你有一个渠道，偶尔一次调用特别慢、特别贵，不用急着下结论说它坏了——要多采样、看它长期的平均表现。反过来，如果某次操作侥幸赚了钱，但它的期望长期是负的，那这次赚钱只是运气，迟早还回去。

这条准则我们直接用到监控上：判断一个服务是否劣化，不再看某一次延迟是否飙高，而是积累多次采样的平均和中位数。单次异常不告警，趋势变化才告警。

三、第二条新准则：差异要能证明，不能靠感觉

书里统计学部分讲了一个朴素但严格的规矩：你看到的差异，要先证明它不是随机波动，才能当真。样本太少的时候，任何结论都只是猜测。

比如某一天某个指标突然变了，它可能是真的出问题了，也可能只是随机波动碰巧撞上。判断方法是：先假设"没变化"（这叫原假设），再算"如果真没变化，看到这种波动的概率有多大"。概率足够小，才敢说"变化是真的"。概率不够小，结论就是"证据不足"，而不是"没有变化"。

这条准则也直接用了：我们给服务做监控、做对比，凡是"看起来变了"的判断，都要过这一道"显著性"的门槛，防止把随机波动当成趋势去反应。

四、读书不是目的，改变行为才是

两本书读下来，我们的读书方法固定成了三步：筛——大部分内容和已有做法重复，先扔掉；验——新增的拿到真实业务里验证管不管用；落——把验证过的写进日常判断流程。读书的价值不在"读完了"，在"读完后我们做事的方式有没有变"。

如果你也在做类似的事——靠数据做决策、给业务上系统——发你的业务现状过来，48小时内回一份免费的智能化可行性判断。